Beläggningsmodeller för viltkameror: när en tom kamera inte betyder att djuret är borta

Du lät en kamera stå på en ås i tre veckor och fotograferade aldrig ett lodjur. Finns det inget lodjur, eller missade du det bara?

Den frågan är hela spelet, och de flesta analyser tar fel genom att anta att svaret är självklart. Det är det inte. Ett tomt detekteringsregister på en bebodd plats är inte ett fel; det är det väntade utfallet av ett enkelt faktum – din kamera fångar inte allt som passerar, och ett djur som rör sig över ett hemområde långt större än kamerans synfält tillbringar större delen av sin tid någonstans där kameran inte tittar. Behandla den tomma rutan som en verklig frånvaro och du har bakat in ett fel i allt som följer: din utbredningskarta, din habitatmodell, din slutsats om att ”arten är borta från det här vattendraget”. Det artiga, precisa namnet på den här sortens register är inte ”frånvaro”. Gary Whites beläggningsanteckningar säger det rakt ut: detta är data om förekomst/skenbar frånvaro, och ”att inte upptäcka en art innebär inte frånvaro”.

Beläggningsmodellering är ramverket som byggts för att ta det på allvar. I stället för att räkna djur ställer den en mer besvarbar fråga – är den här platsen bebodd eller inte? – och den skattar två saker samtidigt: ψ (psi), sannolikheten att en plats är bebodd, och p, sannolikheten att du upptäcker arten vid en given inventering givet att den finns där. Knepet som får det att fungera är nästan pinsamt enkelt: inventera varje plats mer än en gång. Upptäcker du arten ens en gång vet du att platsen var bebodd hela tiden, vilket betyder att varje tom inventering på den platsen var en miss, inte en frånvaro – och frekvensen av dessa missar är precis den information du behöver för att skatta p, och sedan korrigera ψ för alla platser där du inte såg någonting alls.

Det här är en metodtext för dem som faktiskt ska köra den: forskare, vilt- och naturförvaltare och den seriösa delen av medborgarforskningen. Vi bygger upp varför naiv beläggning är skev, hur enkelsäsongs- och dynamiska modeller fungerar, vad antagandena verkligen kräver av dig, var viltkameror specifikt får modellen att snubbla, och vilken programvara du ska sträcka dig efter. Det är en nära släkting till två andra frågor – hur du placerar dina kameror från början och hur du gör detekteringar till djurtäthet – men det är en egen fråga, och vi håller den så. Vill du ha designlagret för kameranätet, se; vill du ha ett tal med djur-per-km² på, se.

Varför ”naiv beläggning” är fel startlinje

Börja med frestelsen alla känner. Du har ett rutnät av kameraplatser och ett register för var och en: dök målarten upp eller inte? Det självklara draget är att kalla andelen där den dök upp för din beläggningsskattning. Det är naiv beläggning – och den är skev nedåt, varje gång, med ett belopp du inte kan se och inte kan avgränsa utan mer information.

Här är mekanismen, utan matte än. Anta att en art verkligen bebor 60 av dina 100 platser. På de 60 bebodda platserna upptäcker din kamera den på, säg, 40 av dem och missar den på de övriga 20. Din naiva skattning är 40/100 = 0,40. Sanningen var 0,60. Du mätte inte beläggning; du mätte beläggning gånger upptäckbarhet, hopknutna, och rapporterade produkten som om den vore det du brydde dig om. Ju lägre din detekteringssannolikhet, desto värre gapet – och detekteringssannolikheterna är låga. I en kvantitativ genomgång av 537 ekologiartiklar fann Kellner och Swihart att bland studier som faktiskt rapporterade det hade 70 % detekteringsskattningar per inventering under 0,5. De flesta inventeringar, för det mesta, missar arten oftare än de fångar den.

Det blir värre i samma stund du gör något intressant med datan. Den klassiska demonstrationen är Gu och Swiharts ”Absent or undetected?”, som visade att när din sannolikhet att upptäcka en art själv är korrelerad med en habitatvariabel – och det är den oftast; djur är lättare att fotografera i vissa marktyper än andra – så läcker den korrelationen in i dina skattade habitatkoefficienter och gör dem skeva, åt endera hållet beroende på tecknen inblandade. I deras illustration med fällfångst av smågnagare löpte icke-detekteringsfelet från 0 % till 23 % över sju arter efter fem dagars provtagning. Så modellen som säger dig ”den här arten älskar tätt snår” kanske inte säger dig något mer än ”den här arten är lättare att fånga i tätt snår”. Samma data, motsatt innebörd.

En naiv beläggningsskattning är inte beläggning – det är beläggning gånger upptäckbarhet, rapporterad som om det andra talet vore 1.

Det är argumentet för det extra arbetet. Nu till själva arbetet.

Enkelsäsongsmodellen, byggd från en plats

Allt börjar med den statiska enkelsäsongsmodellen: en ögonblicksbild i tiden, under vilken vi antar att en plats beläggningstillstånd inte ändras. Välj dina platser, inventera var och en flera gånger inom ett tillräckligt kort fönster så att inget flyttar in eller ut, och skriv ned vad du såg som en detekteringshistorik – en sträng av ettor (upptäckt) och nollor (inte upptäckt), en siffra per inventering.

Modellen har två rörliga delar. En plats är bebodd med sannolikhet ψ, eller inte, med sannolikhet 1−ψ. Om den är bebodd upptäcker du arten vid varje inventering med sannolikhet p, eller missar den med sannolikhet 1−p. Och – det här är det bärande antagandet vi återkommer till – om platsen är obebodd kan du inte upptäcka arten alls. Av dessa delar kan du skriva ned sannolikheten för vilken detekteringshistorik som helst. MARK-läroboksens genomarbetade version är den klaraste jag känner till. För historiken ”01” (missad vid inventering ett, upptäckt vid inventering två) är sannolikheten:

ψ (1 − p₁) p₂ — platsen är bebodd, du missade den första gången, du fångade den andra.

Den intressanta är historiken med bara nollor, ”00”. Du såg ingenting. Betyder det att platsen är tom? Modellen vägrar att anta det. Dess sannolikhet är:

ψ (1 − p₁)(1 − p₂) + (1 − ψ).

Läs det högt, för det är hela filosofin på en rad: antingen var platsen bebodd och du missade arten vid båda inventeringarna (vänsterledet), eller så var platsen verkligen inte bebodd (högerledet). ”+” är ett logiskt ELLER. Ett tomt register är förenligt med båda berättelserna, och modellen håller båda vid liv, viktade efter hur ofta du upptäcker arten på platser där du faktiskt såg den. Det är där korrigeringen kommer ifrån. Kör den här likelihooden över alla dina platser samtidigt och du får en ψ som tar hänsyn till djuren du inte fotograferade.

Jämför det med det gamla sättet – logistisk regression av förekomst på habitat – som ”antar att en art var frånvarande på platser där den inte upptäcktes, och därmed är inferensen känt skev när sannolikheten att upptäcka en art på en plats är mindre än ett”. Beläggningsmodellering är, i grunden, just den enda fixen tillämpad ärligt.

I R är detta funktionen `occu()` i paketet unmarked: du bygger ett `unmarkedFrameOccu`-objekt från din detekteringsmatris och anpassar den med en dubbel formel – en del för detektering, en för beläggning. Vi återkommer till programvaran. Först datan dessa modeller äter, för när det gäller viltkameror är det där de verkliga besluten gömmer sig.

Att göra en kamerarulle till en detekteringshistorik

En fågelinventering kommer färdigpaketerad i tillfällen: du besökte våtmarken tisdag, torsdag och lördag – tre inventeringar. En viltkamera fungerar inte så. Den går kontinuerligt i veckor och räcker dig en hög med tidsstämplade foton. Innan någon beläggningsmodell kan röra det måste du stycka upp utplaceringen i diskreta tillfällen själv, och hur du styckar den ändrar ditt svar.

Verktyget de flesta använder är camtrapR:s `detectionHistory()`, som tar dina register och en `occasionLength` och producerar detekterings-/icke-detekteringsmatrisen som unmarked eller dess bayesianska kusiner förväntar sig – och, viktigt, låter dig bära med kamerans aktiva insats, så att en station som gick i tio dagar inte behandlas som en som gick i trettio. Bedömningsfrågan är tillfällets längd, och Sollmanns introduktion lägger ut avvägningen klart:

• För kort (säg, dagliga tillfällen) och din matris fylls med nollor. En vägg av nollor driver detekteringsskattningen mot noll och kan knäcka modellen numeriskt.
• För lång och du kastar bort information – femton separata fotografier av en räv på en plats kollapsar till en enda ”1”, och du har slängt allt de upprepade besöken var tänkta att berätta för dig om p.
• Håll den konstant. Detekteringssannolikheten stiger med tillfällets längd, så om dina tillfällen (eller insatsen inom dem) skiljer sig åt måste du lägga in tillfällets längd eller insats som en kovariat på detektering eller acceptera en skev p.

Det finns en mer subtil kameraspecifik fälla som en artikel från 2024 av Goldstein med kollegor satte ett tal på: temporal autokorrelation. Ett djur fotograferat vid en kamera idag är mer benäget att fotograferas där imorgon – det använder den platsen. Standardbeläggningsmodeller antar att dina upprepade detekteringar är oberoende, och när de inte är det läser modellen de klustrade detekteringarna som en högre detekteringsfrekvens än vad som är verkligt, och drar sedan slutsatsen att platser med inga detekteringar förmodligen är tomma – vilket gör beläggningen skev nedåt. Deras omdöme är dystert: autokorrelation är ”sannolikt utbredd i viltkameradata och många tidigare studier av beläggning baserade på viltkameradata kan systematiskt ha underskattat beläggningssannolikheter”. Deras fixar är praktiska och värda att lägga på minnet: testa för den med ett join-count goodness-of-fit-test; om den finns där, använd större detekteringsfönster för att suga upp klustringen; och försök inte fixa det genom att lämna luckor mellan tillfällen – luckor tar inte bort den temporala strukturen och slänger bara bort data.

Stycka din kamerautplacering i tillfällen för fint och modellen drunknar i nollor; för grovt och du kastar bort de upprepade detekteringar som får den att fungera.

Detekteringssannolikheten är aldrig konstant – så modellera den

Den naiva bilden antar en detekteringssannolikhet för allt. Verkligheten, från samma genomgång av 537 artiklar, är att när forskare brydde sig om att testa huruvida detektering var konstant, varierade den signifikant 86 % av gångerna. Väder, årstid, kamerans läge på eller bredvid en stig, observatören, månen – allt detta flyttar p omkring. Den goda nyheten är att ramverket byggdes för detta: du kan modellera beläggning ψ som en funktion av platskovariater (habitat, höjd över havet, avstånd till en väg) och **detektering p som en funktion av plats- och inventeringskovariater** (insats, temperatur, årstid).

En egenhet värd att internalisera: eftersom beläggning antas fast inom en säsong bör kovariaterna du lägger på ψ vara saker som inte ändras inom den säsongen – på platsnivå, tidskonstanta. Detektering p, däremot, kan gladeligen ta tidsvarierande kovariater, eftersom du mäter den inventering för inventering.

Sedan finns det en sorts detekteringsheterogenitet du oftast inte kan se och inte kan lägga in i en kovariat: variation driven av hur många djur som faktiskt finns på en plats. En plats med åtta bofasta rävar fotograferar ”en räv” långt lättare än en plats med en som passerar förbi. Royle och Nichols förvandlade det besväret till en modell. Deras nyckelinsikt är att variation i abundans framkallar variation i detekteringssannolikhet, genom ett rent samband – chansen att upptäcka arten på en plats är ett minus chansen att missa varje individ där:

pᵢ = 1 − (1 − r)^{Nᵢ}, där r är detekteringssannolikheten per individ och Nᵢ är den lokala abundansen på plats i.

Fler djur, högre detekterbarhet på platsnivå. Kör den åt andra hållet och du kan baka ut en grov skattning av abundans från ingenting annat än upprepade detekterings-/icke-detekteringsdata, utan att någonsin märka en individ – det är Royle–Nichols-modellen. Den djupare lärdomen, med Royle och Nichols egna ord, är att ignorera den här sortens heterogenitet är ”ett de facto-antagande om konstant abundans mellan platser”, vilket sällan är vad du menar. Royles senare arbete generaliserade poängen: när detektering varierar mellan bebodda platser och du lämnar den omodellerad blir din beläggningsskattning skev nedåt. Detekteringsheterogenitet är ingen fotnot. Det är det näst största sättet dessa modeller går fel på, efter att låtsas att detektering är perfekt över huvud taget.

När beläggningen ändras: den dynamiska modellen

En enkelsäsongsmodell är ett fotografi. Ibland behöver du filmen – sprider sig arten in i nytt land, eller slocknar den ut från platser den brukade finnas på? Det är den dynamiska modellen med flera säsonger, MacKenzie och kollegors utvidgning från 2003 och en gren av en modellfamilj som sedan dess vuxit till att täcka flera tillstånd, samhällen och falska positiva. Den lägger till två parametrar som är hela poängen:

• Kolonisation (γ, gamma): sannolikheten att en plats som var obebodd en säsong blir bebodd nästa.
• Lokal utdöende (ε, epsilon): sannolikheten att en plats som var bebodd blir obebodd.

Strukturen speglar Pollocks robusta design: du har primärperioder (”säsongerna”, mellan vilka beläggning kan ändras) och inom var och en sekundära inventeringar (dina upprepade besök, under vilka den inte kan). En varning om ordet ”säsong”, eftersom det får folk att snubbla: i beläggningsmodellering betyder det inte vinter eller sommar. Som en rovdjursstudie konstaterar rakt ut, ”i beläggningsmodellen betyder ordet 'säsong' inte nödvändigtvis geografisk årstid… det betyder bara den period under vilken data samlades in”. Dina säsonger kan vara tre på varandra följande år, eller sommar-och-vinter upprepade över ett årtionde. Modellen bryr sig inte om vad du kallar dem; den bryr sig om att beläggning är sluten inom var och en och öppen mellan dem.

Två viltkamerastudier visar modellen göra rätt för sig. I en treårig inventering av nordkinesisk leopard, leopardkatt och rödräv i ett kinesiskt naturreservat använde teamet en dynamisk modell för att fråga om varje rovdjurs beläggning var stabil eller skiftande, och knöt kolonisation och utrotning till höjd över havet och mänsklig störning – och fann beläggningen tämligen stabil, med höjd över havet som spelade större roll än avstånd till byar eller vägar. De var uppriktiga om den centrala spänningen också: dynamiska modeller antar att platser är slutna under inventeringar men ”kan vara 'öppna' mellan säsonger”, och den öppenheten ”inför heterogenitet, som… orsakar skattningsbias” som kovariater bara delvis kan absorbera.

Det mest lärorika exemplet är en elvaårig dataset med åtta arter från nordvästra Anatolien, Turkiet. De strukturerade den som 11 sommar- och 11 vintersäsonger – 22 primärperioder – och modellerade hur varje arts användning av en plats skiftade med årstid, höjd över havet och människotäthet, och anpassade alltihop i ett bayesianskt ramverk med JAGS och kontrollerade passningen med ett bayesianskt p-värde. Deras fynd var ett rent argument för att gå dynamisk från början: varje art uppvisade säsongsbundenhet i habitatanvändning, men styrkan i den skilde sig mellan arter, så en enda årlig ögonblicksbild skulle ha medelvärdat bort just det mönster de var ute efter. Om dina djur flyttar runt inom året – och de flesta gör det – ljuger en statisk modell tyst för dig om ett rörligt mål.

”Säsong” i en beläggningsmodell är inte vinter eller sommar – det är bara fönstret du bestämmer att beläggningen står stilla.

Antagandena, och vad de kostar dig

Det är här goda utövare skiljer sig från cargo-cult-utövare. Beläggningsmodeller vilar på en kort lista antaganden, och disciplinen ligger i att veta vilket du böjer och vad det gör med ditt svar. MARK-kapitlet listar fem; den bokslånga behandlingen, om du vill ha varje nyans och bevisen bakom dem, är MacKenzie och kollegors Occupancy Estimation and Modeling.

Tre av dessa förtjänar en närmare titt för alla som arbetar med kameror.

Slutenhet, och den ärliga reträtten till ”användning”. En kamera bevakar några kvadratmeter stig; en vargs hemområde är hundratals kvadratkilometer. Djuret rör sig ständigt in och ut ur kamerans synfält, vilket strikt bryter mot slutenhet. Fältets mogna, ärliga svar är att omtolka parametern: när en vidströvande art är slumpmässigt tillgänglig så här är dina beläggningsskattningar fortfarande skevfria, men ψ bör läsas som sannolikheten att platsen ”används” av arten, inte strikt beboddhet. Den turkiska studien gjorde precis detta, och sa det rakt ut – eftersom en kameraplats ”kan täcka bara en liten del av en individs hemområde” skattar deras analys ”sannolikheten för användning av en plats, snarare än beläggning”, så de skrev ”användning” genomgående och döpte om lokal utdöende till ”övergivande”. Det här är ingen svaghet att dölja; det är den korrekta tolkningen, och att säga det är märket på någon som förstår modellen.

Oberoende, och kameranätsfällan. Här är en som biter kamerafolk specifikt. MARK-författarna ger det exakta scenariot: ”om fjärrkameror är placerade nära varandra kan en enda individ upptäckas vid flera kameror (platser) under en given vecka (inventering)”. När det händer är dina platser inte oberoende – samma djur genererar ”detekteringar” på flera av dem – så antalet kameror överskattar antalet oberoende enheter i din studie. Skadan är lömsk: din beläggningsskattning förblir ofta ungefär rätt, men din osäkerhet underskattas – konfidensintervall för smala, en falsk känsla av precision. Fixen lever på designstadiet: placera kamerorna tillräckligt långt isär för oberoende. (Vilket är en annan fråga än denna artikel, och en bra sådan –.)

Inga falska positiva, och varför AI höjer insatserna. Varje modell ovan antar att om du registrerade arten så var den verkligen där. Standardbeläggningsmodeller bakar bakåt för falska negativa – att missa ett närvarande djur – men antar att falska positiva aldrig händer. Det gör de. Miller och kollegor byggde den grundläggande modellen för att hantera båda feltyperna efter att kontrollerade experiment visat att även högt tränade observatörer felidentifierar arter som närvarande när de är frånvarande. Deras varning är skarp: ”bias i skattningar av beläggning, kolonisation och utdöende kan vara allvarlig när falska positiva förekommer”, och omodellerad felidentifiering överskattar beläggning. Detta spelar större roll nu än när det skrevs, eftersom automatiska artklassificerare gör precis det här felet – etiketterar tryggt en prärievarg som en varg, ett rödlo som ett lodjur. En felklassificerad detektering är en falsk positiv i teknisk mening, och om du matar en overifierad, autoetiketterad detekteringshistorik rakt in i en beläggningsmodell kan du modellera klassificerarens misstag som utbredningsökning. Det försvarbara arbetsflödet Millers ramverk pekar mot är att behålla en delmängd detekteringar som är verifierade – en mänskligt bekräftad typ för vilken falska positiva kan antas vara frånvarande – och låta modellen luta sig mot dem.

För vidströvande djur på kameror skattar du sällan strikt beläggning – du skattar platsanvändning, och de ärliga artiklarna säger det.

Mer än en art åt gången

Har du ett kameranät har du nästan aldrig en art – du har ett samhälle, de flesta av dem fotograferade för sällan för att modelleras en i taget. Flerartsmodeller (samhällsmodeller) poolar information över arter så att de dataríka hjälper till att skatta de datafattiga, samtidigt som var och en fortfarande korrigeras för sin egen detekteringssannolikhet. Rich och kollegors studie av ett däggdjurssamhälle i norra Botswana är ett bra flaggskepp: 44 arter över 6 607 fällnätter, en genomsnittlig förekomstsannolikhet på 0,32 och en karta över vilka habitat och skyddade områden som höll mest mångfald – allt medan man tar hänsyn till att olika arter fotograferas i vitt skilda takter.

Den ärliga reservationen kommer från Guillera-Arroita och kollegor: samhällsmodeller kan skatta artrikedom, inklusive en gissning om arter som aldrig upptäckts alls, men den gissningen om de oupptäckta vilar tungt på modellstruktur och antaganden snarare än på data du faktiskt samlade in – så tolka samhällsnivåns artrikedomstal med passande ödmjukhet. Modellen är kraftfull; den är ingen kristallkula för arter dina kameror aldrig såg.

Hur många besök innan ”frånvarande” betyder något?

Det här är frågan förvaltare faktiskt ställer: jag inventerade och fann ingenting – kan jag nu säga att arten inte finns här? Beläggningssvaret är uppfriskande konkret: du kan aldrig säga ”frånvarande” med säkerhet, men du kan göra sannolikheten att ha missat en närvarande art så liten du vill, genom att stapla detekteringschanser. Om din detektering per inventering är p, är sannolikheten att du skulle missa en bebodd plats över k oberoende inventeringar (1−p)^k – litet p betyder bara att du behöver fler k. Litteraturen om inventeringsdesign vänder på det praktiskt: bestäm hur säker du behöver vara, fördela sedan tillräckligt med besök och insats per besök för att driva din kumulativa detekteringssannolikhet upp till det. För kameror betyder ”fler besök” oftast ”låt den stå ute längre”, vilket är den billigaste ratten du har. Och du behöver inte alltid en specialbyggd inventering: Wevers och kollegor byggde utbredningsmodeller för vildsvin och rådjur i schweiziska Jura ur tillfällig viltkamera-”bifångst” – detekteringar som hopade sig under vinterinventeringar av vilt som var inriktade på något annat – genom att först modellera upptäckbarheten och sedan korrigera för den. Detekteringarna du redan har kan ofta besvara en beläggningsfråga, så länge du tar hänsyn till hur ofullkomligt du samlade in dem.

Och när insatserna är höga – en hotad art, ett beslut om kritiskt habitat – är den konservativa hållningen den som Bennett och kollegor argumenterar för: eftersom ofullkomlig detektering är normen och vi saknar goda upptäckbarhetsskattningar för de flesta prioriterade arter, ”bör frånvaro i inventeringar betraktas som endast antydande”, och kritiskt habitat bör förvaltas som bebott även när förekomst inte är bekräftad. En utebliven detektering är belägg, inte bevis, och hur starkt det belägget är beror helt på hur hårt du letade.

Du kan aldrig bevisa att en art är frånvarande – bara göra oddsen för att ha missat den så små du är villig att arbeta för.

Programvaran, kort

Du behöver inte handkoda en likelihood. Ekosystemet är moget, och vilket verktyg du väljer beror mest på hur mycket du vill koda och hur stort eller komplext ditt problem är.

En typisk viltkamerapipeline kör camtrapR → unmarked (eller ubms / spOccupancy), med PRESENCE som no-code-alternativet. Lär du dig ramverket från grunden är USGS-paketet `occupancyTuts` en genuint bra startramp: 28 interaktiva handledningar som täcker enkelsäsong, dynamiska modeller, studiedesign och spin-off-modellerna, med videor och övningar.

En mjuk anmärkning om arbetsflöde, eftersom det är flaskhalsen innan någon av den här programvaran kör: beläggningsmodeller behöver rena detekteringshistoriker, och den långsamma delen är nästan alltid att sortera tusentals foton för att hitta den handfull med din målart i dem – och inte felmärka dem, vilket, som vi såg, är en falsk positiv som modellen tar för gott.

Beläggning är en verklig storhet – gör den inte i tysthet till abundans

En avslutande disciplin, eftersom det är det vanligaste missbruket. Beläggning är en legitim, användbar storhet i sin egen rätt – andelen platser som används, hur det skiftar med habitat, hur det ändras mellan år. Vad den inte är, är ett substitut för abundans. Sollmann är explicit: ”beläggning bör inte misstolkas som ett index för abundans”, eftersom sambandet mellan de två beror på en arts utbredningsstorlek och beteende. En plats kan läsa ”bebodd” oavsett om ett djur eller femtio använder den. Är talet du faktiskt behöver djur per kvadratkilometer, är beläggning fel modell och du vill ha täthetsfamiljen i stället. Använd beläggning till det den är briljant på – var en art finns, och vart den är på väg – och låt den sluta där.

Vanliga frågor